CN116260490B - 一种面向去蜂窝多天线系统的前传压缩与预编码方法 - Google Patents
一种面向去蜂窝多天线系统的前传压缩与预编码方法 Download PDFInfo
- Publication number
- CN116260490B CN116260490B CN202310548064.4A CN202310548064A CN116260490B CN 116260490 B CN116260490 B CN 116260490B CN 202310548064 A CN202310548064 A CN 202310548064A CN 116260490 B CN116260490 B CN 116260490B
- Authority
- CN
- China
- Prior art keywords
- compression
- downlink
- wireless access
- matrix
- access point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007906 compression Methods 0.000 title claims abstract description 193
- 230000006835 compression Effects 0.000 title claims abstract description 190
- 230000001413 cellular effect Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 159
- 239000013598 vector Substances 0.000 claims abstract description 98
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000013461 design Methods 0.000 claims abstract description 8
- 230000009977 dual effect Effects 0.000 claims abstract description 7
- 238000007493 shaping process Methods 0.000 claims description 48
- 238000004458 analytical method Methods 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 27
- 230000005540 biological transmission Effects 0.000 claims description 16
- 230000021615 conjugation Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 6
- 239000013307 optical fiber Substances 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000011144 upstream manufacturing Methods 0.000 description 12
- 239000000835 fiber Substances 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 108091026890 Coding region Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0426—Power distribution
- H04B7/043—Power distribution using best eigenmode, e.g. beam forming or beam steering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请涉及一种面向去蜂窝多天线系统的前传压缩与预编码方法。该方法包括:利用上下行对偶关系,将下行预编码与压缩噪声设计问题转化为上行优化问题求解,获得训练样本集,采用随机梯度下降算法对神经网络模型进行训练,获得训练好的神经网络模型,进而将获取的信道矩阵输入预先训练好的神经网络模型进行预测,获得上行功率分配向量预测值进行分析,确定下行波束成形矩阵、下行功率分配向量和下行压缩噪声矩阵,根据下行波束成形矩阵和下行功率分配向量,对待传输的数据进行预编码,获得编码后的数据,根据下行压缩噪声矩阵对编码后的数据进行压缩,获得压缩后的数据,保证了Cell‑free MIMO系统高性能的前提下降低计算时延。
Description
技术领域
本申请涉及移动通信技术领域,特别是涉及一种面向去蜂窝多天线系统的前传压缩与预编码方法。
背景技术
去蜂窝多输入输出(Cell-free MIMO)系统可以减小小区间干扰,提升频谱效率和能量效率。然而,Cell-free MIMO系统的性能改进受到有限容量前传链路的限制。为了克服Cell-free MIMO系统的性能改进受限的问题,可以在无线接入点处采用压缩策略,对前传链路上传输的信号进行压缩,同时利用波束成形技术,作为Cell-free MIMO系统的关键技术实现数据的预编码。
传统的预编码采用的最优波束成形方案,依赖于迭代算法,需要较高的计算时间,而一些非迭代式算法例如迫零法、正则迫零法,虽然计算时间成本低,但是Cell-free MIMO系统性能大打折扣。
因此,目前的预编码采用的最优波束成形方案无法在保证Cell-free MIMO系统高性能的前提下降低计算时延。
发明内容
基于此,有必要针对上述技术问题,提供一种能够保证Cell-free MIMO系统高性能的前提下降低计算时延的面向去蜂窝多天线系统的前传压缩与预编码方法。
一种面向去蜂窝多天线系统的前传压缩与预编码方法,应用于带压缩无线接入点的去蜂窝多天线系统,所述方法包括:
将获取的信道矩阵输入预先训练好的神经网络模型进行预测,获得上行功率分配向量预测值;
根据所述上行功率分配向量预测值进行分析,确定下行波束成形矩阵、下行功率分配向量和下行压缩噪声矩阵;
根据所述下行波束成形矩阵和所述下行功率分配向量,对待传输的信息进行预编码,获得编码后的信息;
根据所述下行压缩噪声矩阵对所述编码后的信息进行压缩,获得压缩后的信号;
所述神经网络模型的训练方式为:
利用上下行对偶关系,将下行预编码与压缩噪声设计问题转化为上行优化问题;
通过标准功率控制算法对上行优化问题进行求解,获得训练样本集,所述样本集包括作为输入的信道矩阵样本,作为输出的上行功率分配向量样本;
初始化神经网络模型的相关参数,所述相关参数包括权重参数、偏置参数、网络层数、每层神经元数目、学习率、训练周期数以及每次训练送入网络的样本数;
利用所述训练样本集,采用随机梯度下降算法对所述神经网络模型进行训练,获得训练好的神经网络模型。
在其中一个实施例中,所述根据所述上行功率分配向量预测值进行分析,确定下行波束成形矩阵、功率分配向量和压缩噪声矩阵,包括:
根据所述无线接入点的压缩方案,确定对应的压缩噪声分析模块;
根据所述上行功率分配向量预测值,采用所述压缩噪声分析模块进行分析,确定各无线接入点处引入的上行压缩噪声;
根据自身采用的编码方案,确定对应的波束成形矩阵分析模块;
根据所述上行功率分配向量预测值,结合各所述无线接入点处引入的上行压缩噪声,采用所述波束成形矩阵分析模块进行分析,获得下行波束成形矩阵;
根据自身采用的编码方案和所述无线接入点的压缩方案,确定对应的下行优化目标函数;
根据所述下行波束成形矩阵,采用优化器对所述下行优化目标函数进行求解,确定下行功率分配向量和下行压缩噪声矩阵。
在其中一个实施例中,所述根据所述无线接入点的压缩方案,确定对应的压缩噪声分析模块,包括:
在所述无线接入点的压缩方案为独立压缩的情况下,对应的压缩噪声分析模块的表达式为:
;
;
其中,Q diag为上行压缩噪声矩阵,采取独立压缩时,各无线接入点处由于独立压缩而引入的上行压缩噪声相互独立,q 1为无线接入点1处由于独立压缩而引入的上行压缩噪声,q M 为无线接入点M处由于独立压缩而引入的上行压缩噪声,q m 为无线接入点m处由于独立压缩而引入的上行压缩噪声,p k ul为用户k的上行功率分配向量预测值,h m,k 为无线接入点m与用户k之间的信道状态,σ 2 为信号在无线传输时候引入的加性高斯白噪声的方差,C m 为无线接入点m与中央处理单元之间的光纤链路容量,m为无线接入点的编号,M为带压缩无线接入点的去蜂窝多天线系统中无线接入点的个数,K为带压缩无线接入点的去蜂窝多天线系统中用户的个数,k为用户的编号;
在所述无线接入点的压缩方案为多元压缩的情况下,对应的压缩噪声分析模块的表达式为:
;
,
…
,
…
;
其中,h 1,k 为无线接入点1与用户k之间的信道状态,h * 1,k 为h 1,k 的共轭,C 1为无线接入点1与中央处理单元之间的光纤链路容量,h * m,k 为h m,k 的共轭,h M,k 为无线接入点M与用户k之间的信道状态,h * M,k 为h M,k 的共轭,C M 为无线接入点M与中央处理单元之间的光纤链路容量,为上行接收信号协方差矩阵, />,Q为上行压缩噪声的协方差矩阵,L为单位矩阵,/>为/>的第m行,第1列至第m-1列构成的行向量,为/>的第1行至第m-1行,第1列至第m-1列构成的子矩阵,/>为/>的第1行至第m-1行,第m列构成的列向量,/>为/>的第M行,第1列至第M-1列构成的行向量,/>为/>的第1行至第M-1行,第1列至第M-1列构成的子矩阵,/>为/>的第1行至第M-1行,第M列构成的列向量。
在其中一个实施例中,所述根据自身采用的编码方案,确定对应的波束成形矩阵分析模块,包括:
当所述中央处理单元采用的编码方案为线性编码的情况下,对应的波束成形矩阵分析模块的表达式为:
;
其中,w k 为用户k的归一化后的最优下行波束成形解,为MMSE接收机计算出的用户k的最优下行波束成形解,p j ul为用户j的上行功率分配向量预测值,h j 为所有无线接入点与用户j之间的信道,h j H为h j 的共轭转置,L为单位矩阵,h k 为所有无线接入点与用户k之间的信道,h k = [h 1,k ,...,h M,k ]T,W为下行波束成形矩阵,W=[w1,...,w k ],w1为用户1的归一化后的最优下行波束成形解,w K 为用户K的归一化后的最优下行波束成形解,
当所述中央处理单元采用的编码方案为脏纸编码的情况下,对应的波束成形矩阵分析模块的表达式为:
。
在其中一个实施例中,所述根据自身采用的编码方案和所述无线接入点的压缩方案,确定对应的优化器,包括:
在自身采用的编码方案为线性编码且所述无线接入点的压缩方案为独立压缩的情况下,对应的优化器的表达式为:
;
;
;
其中,p k dl为用户k的下行功率分配向量,Qdl为下行压缩噪声矩阵,tr(Qdl)为下行压缩噪声矩阵Qdl的迹,R k 为用户k的最低速率要求,C m dl,IN为对于下行链路采用独立压缩时无线接入点m的前传链路传输速率,Qdl(m,m)为下行压缩噪声矩阵Qdl的第m行第m列元素,s.t.为约束于,R k dl,LIN为对于下行链路采用线性编码的时用户k的可达速率,I为互信息量算法,s k dl为用户k的信息,y k dl为用户k的接收信号,p i dl为用户i的下行功率分配向量,w i H为下行波束成形矩阵中用户i的归一化后的最优下行波束成形解的共轭转置,h k H为h k 的共轭转置,h k 为所有无线接入点与用户k之间的信道,p j dl为用户j的下行发射功率,w j H为下行波束成形矩阵中用户j的归一化后的最优下行波束成形解的共轭转置;
在自身采用的编码方案为脏纸编码且所述无线接入点的压缩方案为独立压缩的情况下,对应的优化器的表达式为:
;
;
;
其中,R k dl,DPC为对于下行链路采用脏纸编码时用户k的可达速率,s 1 dl为用户1的信息,s k-1 dl为用户k-1的信息;
在自身采用的编码方案为线性编码且所述无线接入点的压缩方案为多元压缩的情况下,对应的优化器的表达式为:
;
;
;
其中,C m dl,MV为对于下行链路采用多元压缩时无线接入点m的前传链路传输速率;
在自身采用的编码方案为脏纸编码且所述无线接入点的压缩方案为多元压缩的情况下,对应的优化器的表达式为:
;
;
。
上述面向去蜂窝多天线系统的前传压缩与预编码方法,通过利用上下行对偶关系,将下行预编码与压缩噪声设计问题转化为上行优化问题,通过标准功率控制算法对上行优化问题进行求解,获得训练样本集,所述样本集包括作为输入的信道矩阵样本,作为输出的上行功率分配向量样本,初始化神经网络模型的相关参数,所述相关参数包括权重参数、偏置参数、网络层数、每层神经元数目、学习率、训练周期数以及每次训练送入网络的样本数,利用所述训练样本集,采用随机梯度下降算法对所述神经网络模型进行训练,获得训练好的神经网络模型,进而将获取的信道矩阵输入预先训练好的神经网络模型进行预测,获得上行功率分配向量预测值,根据所述上行功率分配向量预测值进行分析,确定下行波束成形矩阵、下行功率分配向量和下行压缩噪声矩阵,根据所述下行波束成形矩阵和所述下行功率分配向量,对待传输的数据进行预编码,获得编码后的数据,根据所述下行压缩噪声矩阵对所述编码后的数据进行压缩,获得压缩后的数据,由此,能够同时兼顾Cell-freeMIMO系统的性能与计算的复杂度,保证了Cell-free MIMO系统高性能的前提下降低计算时延。
附图说明
图1为一个实施例中带压缩无线接入点的去蜂窝多天线系统的结构图;
图2为一个实施例中面向去蜂窝多天线系统的前传压缩与预编码的流程示意图;
图3为一个实施例中在策略1的情况下本申请与标准功率控制算法的各用户目标速率与归一化发射功率变化曲线;
图4为一个实施例中在策略2的情况下本申请与标准功率控制算法的各用户目标速率与归一化发射功率变化曲线;
图5为一个实施例中在策略3的情况下本申请与标准功率控制算法的各用户目标速率与归一化发射功率变化曲线;
图6为一个实施例中在策略4的情况下本申请与标准功率控制算法的各用户目标速率与归一化发射功率变化曲线。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的一种面向去蜂窝多天线系统的前传压缩与预编码方法,应用于如图1所示的带压缩无线接入点的去蜂窝多天线系统中,该系统由一个中央处理器(CPU),M个配备单天线的无线接入点和K个配备单天线的用户组成。首先,CPU对要发送给各用户的信息进行联合编码,再对编码后的信息进行压缩,通过容量有限的前传链路将压缩后的信号发送给各无线接入点,各无线接入点接收到来自CPU的压缩后的信号后,再通过无线链路发送给各用户。本申请为了克服前传链路的容量受限问题,在无线接入点处采用压缩策略,包括独立(IN)压缩和多元(MV)压缩策略。此外,为了进一步提高系统性能,在CPU处考虑了两种不同的编码策略,即干扰视为噪声的线性(LIN)编码和脏纸编码(DPC)策略。
在下行信道中,用户的接收信号y dl k ,可表示为:
;
其中,在下行信道中,所有无线接入点与用户k之间的信道表示为h k H,即h k 的共轭转置,h k 为所有无线接入点与用户k之间的信道,h k =[h 1,k ,...,h M,k ]T,h * m,k 表示无线接入点m与用户k之间的信道,,/>,z dl k 表示发送给用户k时引入的加性高斯白噪声(AWGN),/>,/>,/>表示参数均值为0,方差为/>,x dl m 为无线接入点m发射信号,/>,即:
;
其中,w k =[w k,1,...,w k,M ]T表示用户k的波束成形向量,即用户k的归一化后的最优下行波束成形解,w k,M 为用户k到无线接入点M的波束成形值,为用户k到无线接入点1的波束成形值,p k dl为用户k的发射功率,即用户k的下行功率分配向量,s k dl表示用户k的信息,/>,e dl m 表示无线接入点m处由于压缩而引入的量化噪声,,/>为下行无线接入点m处引入的量化噪声的方差。
如果CPU对用户的信息采用LIN编码方式,则用户k的可达速率可表示为:
;
其中,I为互信息算法,s dl k 为用户k的信息,y dl k 为用户k的接收信号,p i dl为用户i的下行功率分配向量,w i H为下行波束成形矩阵中用户i的归一化后的最优下行波束成形解的共轭转置,h k H为h k 的共轭转置,h k 为所有无线接入点与用户k之间的信道,p j dl为用户j的下行发射功率,w j H为下行波束成形矩阵中用户j的归一化后的最优下行波束成形解的共轭转置。
如果CPU对用户的信息采用DPC编码方式,给定编码顺序τ dl (1),...,τ dl (K),则用户k的可达速率可表示为:
;
其中,为对于下行链路采用脏纸编码时第/>个编码的用户的可达速率,/>为第/>个编码的用户的信息,/>为第/>个编码的用户的接收信号,/>为第/>个编码的用户的信息,/>为第/>个编码的用户的信息,/>为第/>个编码的用户的下行功率分配向量,/>为下行波束成形矩阵中第/>个编码的用户的归一化后的最优下行波束成形解的共轭转置,/>为所有无线接入点与第/>个编码的用户之间的信道,/>为/>的共轭转置,/>为第个编码的用户的下行发射功率,/>为下行波束成形矩阵中第/>个编码的用户的归一化后的最优下行波束成形解的共轭转置。
如果无线接入点采取IN压缩策略,则对于下行链路采用独立压缩时无线接入点m的前传链路传输速率可表示为:
;
其中,C m dl,IN为对于下行链路采用独立压缩时无线接入点m的前传链路传输速率,为未压缩发送给无线接入点m处的信号,w k,m 为用户k到无线接入点m的波束成形值,p k dl为用户k的下行功率分配向量,/>为下行压缩噪声矩阵Qdl的第m行第m列元素。
如果无线接入点采取MV压缩策略,给定压缩顺序ρ dl (1),...,ρ dl (M),则对于下行链路采用多元压缩时第ρ dl (m)个压缩的无线接入点的前传链路传输速率可表示为:
;
其中,为对于下行链路采用多元压缩时第ρ dl (m)个压缩的无线接入点的前传链路传输速率,/>为第ρ dl (m)个压缩的无线接入点接收的信号,/>为未压缩发送给第ρ dl (m)个压缩的无线接入点的信号,/>为第ρ dl (1)个压缩的无线接入点接收的信号,为第ρ dl (m-1)个压缩的无线接入点接收的信号,/>为用户k到第ρ dl (m)个压缩的无线接入点波束成形值, />为/>的第m行,第m列的值,/>为的第m行,第m+1列到第M列构成的行向量,/>为/>的第m+1行到第M行,第m+1列到第M列构成的矩阵,/>为/>的第m+1行到第M行,第m列构成的列向量;
其中,
;
其中,为第ρ dl (m)个压缩的无线接入点压缩噪声协方差矩阵,/>为第ρ dl (1)个压缩的无线接入点引入的量化噪声,/>为期望算法,/>为第ρ dl (M)个压缩的无线接入点引入的量化噪声,/>为/>的共轭,/>为/>的共轭。
本申请的目的是设计合理的波束成形矩阵,使得在前传链路容量约束和用户最低目标速率的约束下,使得Cell-free MIMO系统总功率最小,即:
;
;
;
其中,p dl k 为用户k的下行功率分配向量,Qdl为下行压缩噪声矩阵,tr(Qdl)为下行压缩噪声矩阵Qdl的迹,R k 为用户k的最低速率要求,C dl m 为对于下行链路无线接入点m的前传链路传输速率,C m 为无线接入点m与中央处理单元之间的前传链路容量,R dl k 为对于下行链路用户k的可达速率。根据上下行链路对偶关系,当上行波束成形向量和下行波束成形向量相同时,上行和下行功率控制问题有相同的最优解。所以可以通过较简单的上行问题来求解下行问题的最优波束成形矩阵,下行优化问题可转化为上行优化问题,即:
;
;
;
其中,p ul k 为用户k的上行功率分配向量预测值,q ul m 为无线接入点m处的上行压缩噪声,C ul m 为对于上行链路无线接入点m的前传链路传输速率,R ul k 为对于上行链路用户k的可达速率。
本申请对以下四种采取不同压缩和编码策略的情况进行了下行快速预编码设计,四种策略分别为:
策略1:CPU对用户信息采取LIN编码方式,无线接入点采取IN压缩策略;
策略2:CPU对用户信息采取DPC编码方式,无线接入点采取IN压缩策略;
策略3:CPU对用户信息采取LIN编码方式,无线接入点采取MV压缩策略;
策略4:CPU对用户信息采取DPC编码方式,无线接入点采取MV压缩策略。
这四种不同的策略采用相同结构的神经网络模块,但确定下行波束成形矩阵、功率分配向量和压缩噪声矩阵的具体计算各不相同。
神经网络模块主要负责完成对信道矩阵H到上行功率分配向量预测值Pul的映射,以减少预测变量。神经网络模块由一个输入层,三个隐藏层和一个输出层组成,第一个隐藏层有200个神经单元,第二个隐藏层有200个神经单元,第三隐藏层有80个神经单元,每个神经单元包含激活函数,设置为修正线性单元(ReLU)函数,和归一化函数。使用RMSprop算法作为优化算法,衰减率设置为0.9,使用MSE作为损失函数,计算标签和输出的均方误差。利用标准功率控制算法生成训练样本集。训练样本集包含25000样本,验证集包含5000样本,训练周期设置为200,学习率大小设置为0.001。
对于策略1,确定下行波束成形矩阵、下行功率分配向量和下行压缩噪声矩阵中,要完成由上行功率分配向量预测值Pul恢复出下行波束成形矩阵W。先计算上行各无线接入点处引入的上行压缩噪声:
;
接着利用波束成形矩阵分析模块,计算出下行波束成形矩阵,波束成形矩阵分析模块表达式为:
;
其中,w k 为用户k的归一化后的最优下行波束成形解,为MMSE接收机计算出的用户k的最优下行波束成形解,Q diag为上行压缩噪声矩阵,p j ul为用户j的上行功率分配向量预测值,h j 为所有无线接入点与用户j之间的信道,h j H为h j 的共轭转置,L为单位矩阵,h k 为所有无线接入点与用户k之间的信道,h k = [h 1,k ,...,h M,k ]T,W为下行波束成形矩阵,W=[w1,...,w k ],w1为用户1的归一化后的最优下行波束成形解,w K 为用户K的归一化后的最优下行波束成形解;
;
其中,Q diag为上行压缩噪声矩阵,采取独立压缩时,各无线接入点处由于独立压缩而引入的上行压缩噪声相互独立。
根据上下行链路对偶性,最优上行波束成形矩阵与最优下行波束成形矩阵相等,将计算出的波束成形矩阵带入下行优化问题中,即:
;
;
并通过优化器求解该下行优化问题,导出下行功率分配向量和下行压缩噪声矩阵,并将所获得的下行波束成形矩阵一起输出。
对于策略2,确定下行波束成形矩阵、下行功率分配向量和下行压缩噪声矩阵中,要完成由上行功率分配向量预测值Pul恢复出下行波束成形矩阵W。先计算上行各无线接入点处引入的上行压缩噪声:
;
接着利用波束成形矩阵分析模块,计算出下行波束成形矩阵,波束成形矩阵分析模块表达式为:
;
将计算出的下行波束成形矩阵带入下行优化问题中,即:
;
;
并通过优化器求解该下行优化问题,导出下行功率分配向量和下行压缩噪声矩阵,并将所获得的下行波束成形矩阵一起输出。
对于策略3,确定下行波束成形矩阵、下行功率分配向量和下行压缩噪声矩阵中,要完成由上行功率分配向量预测值Pul恢复出下行波束成形矩阵W。由以下公式计算出上行各无线接入点m处引入的上行压缩噪声:
,
…
,
…
;
其中,h 1,k 为无线接入点1与用户k之间的信道状态,h * 1,k 为h 1,k 的共轭,C 1为无线接入点1与中央处理单元之间的光纤链路容量,h * m,k 为h m,k 的共轭,h M,k 为无线接入点M与用户k之间的信道状态,h * M,k 为h M,k 的共轭,C M 为无线接入点M与中央处理单元之间的光纤链路容量,为上行接收信号协方差矩阵, />,Q为上行压缩噪声的协方差矩阵,L为单位矩阵,/>为/>的第m行,第1列至第m-1列构成的行向量,为/>的第1行至第m-1行,第1列至第m-1列构成的子矩阵,/>为/>的第1行至第m-1行,第m列构成的列向量,/>为/>的第M行,第1列至第M-1列构成的行向量,/>为/>的第1行至第M-1行,第1列至第M-1列构成的子矩阵,/>为/>的第1行至第M-1行,第M列构成的列向量。
接着利用波束成形矩阵分析模块,计算出下行波束成形矩阵,波束成形矩阵分析模块表达式为:
;
将计算出的下行波束成形矩阵带入下行优化问题中,即:
;/>
;
并通过优化器求解该下行优化问题,导出下行功率分配向量和下行压缩噪声矩阵,并将所获得的下行波束成形矩阵一起输出。
对于策略4,确定下行波束成形矩阵、下行功率分配向量和下行压缩噪声矩阵中,要完成由上行功率分配向量预测值Pul恢复出下行波束成形矩阵W。由以下公式计算出上行各无线接入点m处引入的上行压缩噪声:
,
…
,
…
;
接着利用波束成形矩阵分析模块,计算出下行波束成形矩阵,波束成形矩阵分析模块表达式为:
;
将计算出的下行波束成形矩阵带入下行优化问题中,即:
;
;
并通过优化器求解该下行优化问题,导出下行功率分配向量和下行压缩噪声矩阵,并将所获得的下行波束成形矩阵一起输出。
在一个实施例中,如图2所示,提供了一种面向去蜂窝多天线系统的前传压缩与预编码方法,以该方法应用于终端为例进行说明,包括以下步骤:
步骤S220,将获取的信道矩阵输入预先训练好的神经网络模型进行预测,获得上行功率分配向量预测值。
其中神经网络模型的训练方式为:
利用上下行对偶关系,将下行预编码与压缩噪声设计问题转化为上行优化问题;通过标准功率控制算法对上行优化问题进行求解,获得训练样本集,样本集包括作为输入的信道矩阵样本,作为输出的上行功率分配向量样本;初始化神经网络模型的相关参数,相关参数包括权重参数、偏置参数、网络层数、每层神经元数目、学习率、训练周期数以及每次训练送入网络的样本数;利用训练样本集,采用随机梯度下降算法对神经网络模型进行训练,获得训练好的神经网络模型。
步骤S240,根据上行功率分配向量预测值进行分析,确定下行波束成形矩阵、下行功率分配向量和下行压缩噪声矩阵。
在一个实施例中,根据上行功率分配向量预测值进行分析,确定下行波束成形矩阵、功率分配向量和压缩噪声矩阵,包括:
根据无线接入点的压缩方案,确定对应的压缩噪声分析模块;根据上行功率分配向量预测值,采用压缩噪声分析模块进行分析,确定各无线接入点处引入的上行压缩噪声;根据自身采用的编码方案,确定对应的波束成形矩阵分析模块;根据所述上行功率分配向量预测值,结合各所述无线接入点处引入的上行压缩噪声,采用所述波束成形矩阵分析模块进行分析,获得下行波束成形矩阵;根据自身采用的编码方案和无线接入点的压缩方案,确定对应的下行优化目标函数;根据下行波束成形矩阵,采用优化器对下行优化目标函数进行求解,确定下行功率分配向量和下行压缩噪声矩阵。
在一个实施例中,根据无线接入点的压缩方案,确定对应的压缩噪声分析模块,包括:
在无线接入点的压缩方案为独立压缩的情况下,对应的压缩噪声分析模块的表达式为:
;
;
其中,Q diag为上行压缩噪声矩阵,采取独立压缩时,各无线接入点处由于独立压缩而引入的上行压缩噪声相互独立,q 1为无线接入点1处由于独立压缩而引入的上行压缩噪声,q M 为无线接入点M处由于独立压缩而引入的上行压缩噪声,q m 为无线接入点m处由于独立压缩而引入的上行压缩噪声,p k ul为用户k的上行功率分配向量预测值,h m,k 为无线接入点m与用户k之间的信道状态,σ 2 为信号在无线传输时候引入的加性高斯白噪声的方差,C m 为无线接入点m与中央处理单元之间的光纤链路容量,m为无线接入点的编号,M为带压缩无线接入点的去蜂窝多天线系统中无线接入点的个数,K为带压缩无线接入点的去蜂窝多天线系统中用户的个数,k为用户的编号;
在所述无线接入点的压缩方案为多元压缩的情况下,对应的压缩噪声分析模块的表达式为:
;
,
…
,
…
;
其中,h 1,k 为无线接入点1与用户k之间的信道状态,h * 1,k 为h 1,k 的共轭,C 1为无线接入点1与中央处理单元之间的光纤链路容量,h * m,k 为h m,k 的共轭,h M,k 为无线接入点M与用户k之间的信道状态,h * M,k 为h M,k 的共轭,C M 为无线接入点M与中央处理单元之间的光纤链路容量,为上行接收信号协方差矩阵, />,Q为上行压缩噪声的协方差矩阵,L为单位矩阵,/>为/>的第m行,第1列至第m-1列构成的行向量,/>为/>的第1行至第m-1行,第1列至第m-1列构成的子矩阵,为/>的第1行至第m-1行,第m列构成的列向量,/>为/>的第M行,第1列至第M-1列构成的行向量,/>为/>的第1行至第M-1行,第1列至第M-1列构成的子矩阵,/>为/>的第1行至第M-1行,第M列构成的列向量。
在一个实施例中,根据自身采用的编码方案,确定对应的波束成形矩阵分析模块,包括:
当中央处理单元采用的编码方案为线性编码的情况下,对应的波束成形矩阵分析模块的表达式为:
;/>
其中,w k 为用户k的归一化后的最优下行波束成形解,为MMSE接收机计算出的用户k的最优下行波束成形解,p j ul为用户j的上行功率分配向量预测值,h j 为所有无线接入点与用户j之间的信道,h j H为h j 的共轭转置,L为单位矩阵,h k 为所有无线接入点与用户k之间的信道,h k = [h 1,k ,...,h M,k ]T,W为下行波束成形矩阵,W=[w1,...,w k ],w1为用户1的归一化后的最优下行波束成形解,w K 为用户K的归一化后的最优下行波束成形解,
当所述中央处理单元采用的编码方案为脏纸编码的情况下,对应的波束成形矩阵分析模块的表达式为:
。
在一个实施例中,所述根据自身采用的编码方案和所述无线接入点的压缩方案,确定对应的优化器,包括:
在自身采用的编码方案为线性编码且所述无线接入点的压缩方案为独立压缩的情况下,对应的优化器的表达式为:
;
;
;
其中,p k dl为用户k的下行功率分配向量,Qdl为下行压缩噪声矩阵,tr(Qdl)为下行压缩噪声矩阵Qdl的迹,R k 为用户k的最低速率要求,C m dl,IN为对于下行链路采用独立压缩时无线接入点m的前传链路传输速率,Qdl(m,m)为下行压缩噪声矩阵Qdl的第m行第m列元素,s.t.为约束于,R k dl,LIN为对于下行链路采用线性编码的时用户k的可达速率,I为互信息量算法,s k dl为用户k的信息,y k dl为用户k的接收信号,p i dl为用户i的下行功率分配向量,w i H为下行波束成形矩阵中用户i的归一化后的最优下行波束成形解的共轭转置,h k H为h k 的共轭转置,h k 为所有无线接入点与用户k之间的信道,p j dl为用户j的下行发射功率,w j H为下行波束成形矩阵中用户j的归一化后的最优下行波束成形解的共轭转置;
在自身采用的编码方案为脏纸编码且所述无线接入点的压缩方案为独立压缩的情况下,对应的优化器的表达式为:
;
;/>
;
其中,R k dl,DPC为对于下行链路采用脏纸编码时用户k的可达速率,s 1 dl为用户1的信息,s k-1 dl为用户k-1的信息;
在自身采用的编码方案为线性编码且所述无线接入点的压缩方案为多元压缩的情况下,对应的优化器的表达式为:
;
;
;
其中,C m dl,MV为对于下行链路采用多元压缩时无线接入点m的前传链路传输速率;
在自身采用的编码方案为脏纸编码且所述无线接入点的压缩方案为多元压缩的情况下,对应的优化器的表达式为:
;
;
。
步骤S260,根据下行波束成形矩阵和下行功率分配向量,对待传输的信息进行预编码,获得编码后的信息。
步骤S280,根据下行压缩噪声矩阵对编码后的信息进行压缩,获得压缩后的信号。
上述面向去蜂窝多天线系统的前传压缩与预编码方法,通过利用上下行对偶关系,将下行预编码与压缩噪声设计问题转化为上行优化问题,通过标准功率控制算法对上行优化问题进行求解,获得训练样本集,样本集包括作为输入的信道矩阵样本,作为输出的上行功率分配向量样本,初始化神经网络模型的相关参数,相关参数包括权重参数、偏置参数、网络层数、每层神经元数目、学习率、训练周期数以及每次训练送入网络的样本数,利用训练样本集,采用随机梯度下降算法对神经网络模型进行训练,获得训练好的神经网络模型,进而将获取的信道矩阵输入预先训练好的神经网络模型进行预测,获得上行功率分配向量预测值,根据上行功率分配向量预测值进行分析,确定下行波束成形矩阵、下行功率分配向量和下行压缩噪声矩阵,根据下行波束成形矩阵和下行功率分配向量,对待传输的数据进行预编码,获得编码后的数据,根据下行压缩噪声矩阵对编码后的数据进行压缩,获得压缩后的数据,由此,能够同时兼顾Cell-free MIMO系统的性能与计算的复杂度,保证了Cell-free MIMO系统高性能的前提下降低计算时延。
在一个实施例中,如图3-图6所示,分别给出了在四种不同压缩和编码策略的情况下,本申请的面向去蜂窝多天线系统的前传压缩与预编码方法与标准功率控制算法的各用户目标速率和归一化发射功率之间的变化曲线,由此可见,本申请的面向去蜂窝多天线系统的前传压缩与预编码方法可以很好的近似最优算法。如表1给出了在四种不同压缩和编码策略的情况下,本申请的面向去蜂窝多天线系统的前传压缩与预编码方法与标准功率控制算法计算1000个样本所需时间,可以看出,本申请的面向去蜂窝多天线系统的前传压缩与预编码方法大大降低了计算时延,使得实际部署得以实现。综合图3-图6和表1可以发现,本申请的面向去蜂窝多天线系统的前传压缩与预编码方法可以同时兼顾性能与算法复杂度。
表1 四种不同压缩和编码策略的情况下,本申请与标准功率控制算法计算1000个样本所需时间和比较:
。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (1)
1.一种面向去蜂窝多天线系统的前传压缩与预编码方法,应用于带压缩无线接入点的去蜂窝多天线系统,其特征在于,所述方法包括:
将获取的信道矩阵输入预先训练好的神经网络模型进行预测,获得上行功率分配向量预测值;
根据所述上行功率分配向量预测值进行分析,确定下行波束成形矩阵、下行功率分配向量和下行压缩噪声矩阵;
根据所述下行波束成形矩阵和所述下行功率分配向量,对待传输的信息进行预编码,获得编码后的信息;
根据所述下行压缩噪声矩阵对所述编码后的信息进行压缩,获得压缩后的信号;
所述神经网络模型的训练方式为:
利用上下行对偶关系,将下行预编码与压缩噪声设计问题转化为上行优化问题;
通过标准功率控制算法对上行优化问题进行求解,获得训练样本集,所述样本集包括作为输入的信道矩阵样本,作为输出的上行功率分配向量样本;
初始化神经网络模型的相关参数,所述相关参数包括权重参数、偏置参数、网络层数、每层神经元数目、学习率、训练周期数以及每次训练送入网络的样本数;
利用所述训练样本集,采用随机梯度下降算法对所述神经网络模型进行训练,获得训练好的神经网络模型;
所述根据所述上行功率分配向量预测值进行分析,确定下行波束成形矩阵、功率分配向量和压缩噪声矩阵,包括:
根据所述无线接入点的压缩方案,确定对应的压缩噪声分析模块;
根据所述上行功率分配向量预测值,采用所述压缩噪声分析模块进行分析,确定各无线接入点处引入的上行压缩噪声;
中央处理器根据采用的编码方案,确定对应的波束成形矩阵分析模块;
根据所述上行功率分配向量预测值,结合各所述无线接入点处引入的上行压缩噪声,采用所述波束成形矩阵分析模块进行分析,获得下行波束成形矩阵;
中央处理器根据采用的编码方案和所述无线接入点的压缩方案,确定对应的下行优化目标函数;
根据所述下行波束成形矩阵,采用优化器对所述下行优化目标函数进行求解,确定下行功率分配向量和下行压缩噪声矩阵;
所述根据所述无线接入点的压缩方案,确定对应的压缩噪声分析模块,包括:
在所述无线接入点的压缩方案为独立压缩的情况下,对应的压缩噪声分析模块的表达式为:
其中,Qdiag为上行压缩噪声矩阵,采取独立压缩时,各无线接入点处由于独立压缩而引入的上行压缩噪声相互独立,q1为无线接入点1处由于独立压缩而引入的上行压缩噪声,qM为无线接入点M处由于独立压缩而引入的上行压缩噪声,qm为无线接入点m处由于独立压缩而引入的上行压缩噪声,为用户k的上行功率分配向量预测值,hm,k为无线接入点m与用户k之间的信道状态,σ2为信号在无线传输时候引入的加性高斯白噪声的方差,Cm为无线接入点m与中央处理单元之间的光纤链路容量,m为无线接入点的编号,M为带压缩无线接入点的去蜂窝多天线系统中无线接入点的个数,K为带压缩无线接入点的去蜂窝多天线系统中用户的个数,k为用户的编号;
在所述无线接入点的压缩方案为多元压缩的情况下,对应的压缩噪声分析模块的表达式为:
…
…
其中,h1,k为无线接入点1与用户k之间的信道状态,h* 1,k为h1,k的共轭,C1为无线接入点1与中央处理单元之间的光纤链路容量,h* m,k为hm,k的共轭,hM,k为无线接入点M与用户k之间的信道状态,h* M,k为hM,k的共轭,CM为无线接入点M与中央处理单元之间的光纤链路容量,Γ为上行接收信号协方差矩阵,Q为上行压缩噪声的协方差矩阵,L为单位矩阵,Γ(m:m,1:m-1)为Γ的第m行,第1列至第m-1列构成的行向量,Γ(1:m-1,1:m-1)为Γ的第1行至第m-1行,第1列至第m-1列构成的子矩阵,Γ(1:m-1,m:m)为Γ的第1行至第m-1行,第m列构成的列向量,Γ(M:M,1:M-1)为Γ的第M行,第1列至第M-1列构成的行向量,Γ(1:M-1,1:M-1)为Γ的第1行至第M-1行,第1列至第M-1列构成的子矩阵,Γ(1:M-1,M:M)为Γ的第1行至第M-1行,第M列构成的列向量;
所述中央处理器根据采用的编码方案,确定对应的波束成形矩阵分析模块,包括:
当所述中央处理单元采用的编码方案为线性编码的情况下,对应的波束成形矩阵分析模块的表达式为:
其中,wk为用户k的归一化后的最优下行波束成形解,为MMSE接收机计算出的用户k的最优下行波束成形解,/>为用户j的上行功率分配向量预测值,hj为所有无线接入点与用户j之间的信道,/>为hj的共轭转置,L为单位矩阵,hk为所有无线接入点与用户k之间的信道,hk=[h1,k,...,hM,k]T,W为下行波束成形矩阵,W=[w1,...,wk],w1为用户1的归一化后的最优下行波束成形解,wK为用户K的归一化后的最优下行波束成形解,
当所述中央处理单元采用的编码方案为脏纸编码的情况下,对应的波束成形矩阵分析模块的表达式为:
所述中央处理器根据采用的编码方案和所述无线接入点的压缩方案,确定对应的优化器,包括:
在中央处理器采用的编码方案为线性编码且所述无线接入点的压缩方案为独立压缩的情况下,对应的优化器的表达式为:
其中,为用户k的下行功率分配向量,Qdl为下行压缩噪声矩阵,tr(Qdl)为下行压缩噪声矩阵Qdl的迹,Rk为用户k的最低速率要求,/>为对于下行链路采用独立压缩时无线接入点m的前传链路传输速率,Qdl(m,m)为下行压缩噪声矩阵Qdl的第m行第m列元素,s.t.为约束于,/>为对于下行链路采用线性编码的时用户k的可达速率,I为互信息量算法,/>为用户k的信息,/>为用户k的接收信号,pi dl为用户i的下行功率分配向量,/>为下行波束成形矩阵中用户i的归一化后的最优下行波束成形解的共轭转置,/>为hk的共轭转置,hk为所有无线接入点与用户k之间的信道,/>为用户j的下行发射功率,/>为下行波束成形矩阵中用户j的归一化后的最优下行波束成形解的共轭转置;
在中央处理器采用的编码方案为脏纸编码且所述无线接入点的压缩方案为独立压缩的情况下,对应的优化器的表达式为:
其中,为对于下行链路采用脏纸编码时用户k的可达速率,s1 dl为用户1的信息,sk-1 dl为用户k-1的信息;
在中央处理器采用的编码方案为线性编码且所述无线接入点的压缩方案为多元压缩的情况下,对应的优化器的表达式为:
其中,为对于下行链路采用多元压缩时无线接入点m的前传链路传输速率;
在中央处理器采用的编码方案为脏纸编码且所述无线接入点的压缩方案为多元压缩的情况下,对应的优化器的表达式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310548064.4A CN116260490B (zh) | 2023-05-16 | 2023-05-16 | 一种面向去蜂窝多天线系统的前传压缩与预编码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310548064.4A CN116260490B (zh) | 2023-05-16 | 2023-05-16 | 一种面向去蜂窝多天线系统的前传压缩与预编码方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116260490A CN116260490A (zh) | 2023-06-13 |
CN116260490B true CN116260490B (zh) | 2023-08-15 |
Family
ID=86681103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310548064.4A Active CN116260490B (zh) | 2023-05-16 | 2023-05-16 | 一种面向去蜂窝多天线系统的前传压缩与预编码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116260490B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111181612A (zh) * | 2019-12-31 | 2020-05-19 | 内蒙古大学 | 一种大规模mimo系统的协作波束赋型方法 |
CN114389730A (zh) * | 2021-12-23 | 2022-04-22 | 南京邮电大学 | 一种基于深度学习和脏纸编码的miso系统波束形成设计方法 |
CN114900398A (zh) * | 2022-04-28 | 2022-08-12 | 浙江工业大学 | 非理想csi的irs辅助云接入网下行的波束成形方法 |
CN115065392A (zh) * | 2022-05-23 | 2022-09-16 | 南京邮电大学 | 脏纸编码条件下实现miso下行总和速率最大化的波束形成设计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015081277A1 (en) * | 2013-11-27 | 2015-06-04 | Futurewei Technologies, Inc. | Method and apparatus for downlink transmission in a cloud radio access network |
-
2023
- 2023-05-16 CN CN202310548064.4A patent/CN116260490B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111181612A (zh) * | 2019-12-31 | 2020-05-19 | 内蒙古大学 | 一种大规模mimo系统的协作波束赋型方法 |
CN114389730A (zh) * | 2021-12-23 | 2022-04-22 | 南京邮电大学 | 一种基于深度学习和脏纸编码的miso系统波束形成设计方法 |
CN114900398A (zh) * | 2022-04-28 | 2022-08-12 | 浙江工业大学 | 非理想csi的irs辅助云接入网下行的波束成形方法 |
CN115065392A (zh) * | 2022-05-23 | 2022-09-16 | 南京邮电大学 | 脏纸编码条件下实现miso下行总和速率最大化的波束形成设计方法 |
Non-Patent Citations (1)
Title |
---|
Uplink-Downlink Duality Between Multiple-Access and Broadcast Channels With Compressing Relays;Liang Liu 等;《IEEE Transactions on Information Theory》;第67卷(第11期);第7304 - 7337页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116260490A (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | Deep power control: Transmit power control scheme based on convolutional neural network | |
Lee et al. | Transmit power control using deep neural network for underlay device-to-device communication | |
Holter | On the capacity of the MIMO channel: A tutorial introduction | |
CN108736943B (zh) | 一种适用于大规模mimo系统的混合预编码方法 | |
US11956031B2 (en) | Communication of measurement results in coordinated multipoint | |
CN111917447A (zh) | 基于波束选择的低频辅助混合预编码设计方法 | |
CN110365388B (zh) | 一种低复杂度毫米波多播波束成形方法 | |
CN111835406A (zh) | 适用于多波束卫星通信的能效谱效权衡的鲁棒预编码方法 | |
CN107566305A (zh) | 一种低复杂度的毫米波系统信道估计方法 | |
CN101252418A (zh) | 多天线传输系统中利用信道统计信息的自适应传输方法 | |
CN113726395A (zh) | 一种智能反射面增强云接入网多天线用户上行传输方法 | |
KR102510513B1 (ko) | 심층 학습 기반의 빔포밍 방법 및 이를 위한 장치 | |
CN114900398A (zh) | 非理想csi的irs辅助云接入网下行的波束成形方法 | |
Roh et al. | Performance analysis of multiple antenna systems with VQ-based feedback | |
WO2017121175A1 (zh) | 一种数据处理方法和装置 | |
WO2009075456A1 (en) | Method for transmission interference cancellation for mu-mimo | |
CN114285523A (zh) | 面向多业务需求的大规模mtc免授权多用户检测方法及系统 | |
CN113660020A (zh) | 一种无线通信信道信息传输方法、系统和解码器 | |
CN116260490B (zh) | 一种面向去蜂窝多天线系统的前传压缩与预编码方法 | |
CN110149133B (zh) | 一种基于波束空间的大规模上行传输方法 | |
CN101873203B (zh) | Mimo中继系统中基于码书预编码的信号发送方法 | |
CN114844541B (zh) | 一种基于深度学习的混合预编码和反馈方法 | |
CN115549745B (zh) | Ris相移设计方法、装置、计算机设备及存储介质 | |
CN107104715B (zh) | 一种基于天线选择的干扰对齐方法 | |
KR101323378B1 (ko) | 다중 셀 다중입출력 다운링크 네트워크에서의 수신자 선택을 위해 전송률 관련 정보를 전송하는 장치 및 방법, 및 다중 셀 다중입출력 다운링크 네트워크에서의 수신자 선택 장치, 방법 및 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |